【正文】 別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理和識(shí)別技術(shù)都無(wú)法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。此處采用的是模板匹配的方法 ，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來(lái)確定最終的識(shí)別結(jié)果。在整個(gè) 實(shí)驗(yàn) 中我 們 懂得了許多東西，也培養(yǎng)了 合作的能力 ，樹(shù)立了信心， 發(fā)揚(yáng)了吃苦耐勞的精神， 相信會(huì)對(duì)今后的學(xué)習(xí)工作生活有非常重要的影響。 培養(yǎng)重點(diǎn)思維 從重點(diǎn)問(wèn)題突破，是高效能人士思考的一項(xiàng)重要習(xí)慣。 不找借口 美國(guó)成功學(xué)家格蘭特納說(shuō)過(guò)這樣的話： “如果你有為自己系鞋帶的能力，你就有上天摘星星的機(jī)會(huì)！”一個(gè)人對(duì)待生活和工作是否負(fù)責(zé)是決定他能否成功的關(guān)鍵。 一次做好一件事 著名的效率提升大師博思 .崔西有一個(gè)著名的論斷：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多?！? 把問(wèn)題想透徹 把問(wèn)題想透徹，是一種很好的思維品質(zhì)。著名的效率提升大師博思 .崔西 説 ：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋。正如微軟總裁兼首席軟件設(shè)計(jì)師比爾。因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。 不找借口 美國(guó)成功學(xué)家格蘭特納說(shuō)過(guò)這樣的話： “如果你有為自己系鞋帶的能力，你就有上天摘星星的機(jī)會(huì)！”一個(gè)人對(duì)待生活和工作是否負(fù)責(zé)是決定他能否成功的關(guān)鍵。 培養(yǎng)重點(diǎn)思維 從重點(diǎn)問(wèn)題突破，是高效能人士思考的一項(xiàng)重要習(xí)慣。 要事第一 創(chuàng)設(shè)遍及全美的事務(wù)公司的亨瑞。相反，如果他抓住了主要矛盾，解決問(wèn)題就變得容易多了。因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。正如微軟總裁兼首席軟件設(shè)計(jì)師比爾。著名的效率提升大師博思 .崔西 説 ：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋。 同時(shí) 在這期間 我們遇到了很多困難，但我們知道做什么 開(kāi)始都不容易，只要 定 下心來(lái)，一步一個(gè)腳印的踏踏實(shí)實(shí)的去做，一定會(huì)成功 。 字符分割的方法也有多種： 1. 基于聚類分析的字符分割； 2. 投影分割的方法； 。 parameters: adaptParam: .passes initParam: (none) performParam: (none) trainParam: .epochs, .goal, .lr, .lr_dec, .lr_inc, .max_fail, .max_perf_inc, .mc, .min_grad, .show, .time weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors other: userdata: (user stuff) 由此可見(jiàn)，程序可滿足期望要求。 1 0] outputConnect: [0 1] targetConnect: [0 1] numOutputs: 1 (readonly) numTargets: 1 (readonly) numInputDelays: 0 (readonly) numLayerDelays: 0 (readonly) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output targets: {1x2 cell} containing 1 target biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptF: 39。其 變化如圖 21，圖 22。)。 用 matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用 BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下： =newff(pr,[25 1],{39。 BP網(wǎng)絡(luò)結(jié)構(gòu) ： 基于 BP 算法的多層前饋型網(wǎng)絡(luò) 將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問(wèn)題的情況。后一種方法無(wú)須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。 圖 310 行方向區(qū)域和最終定位出來(lái)的車牌 （ 3）車牌進(jìn)一步處理 經(jīng)過(guò)上述方法分割出來(lái)的車牌 圖像 中存在 目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的 方法就是設(shè)定一個(gè)閾值 T，用 T將圖像的數(shù)據(jù)分成兩部分：大于 T的像素群和小于 T的像素群 ，即對(duì)圖像二值化。 圖 38 牌照定位于分割流程圖 （ 1） 牌照區(qū)域的定位 牌照?qǐng)D 像 經(jīng)過(guò)了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而 且其邊緣得到了勾勒和加強(qiáng)?；谥本€邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。 圖 37 未濾波直接提取出的邊緣 ， 經(jīng)灰度校正后提取的邊緣 以及 經(jīng)平滑處理后提取的邊緣 對(duì)比以上幾幅圖片，圖 8 的邊緣已經(jīng)模糊掉了。我們發(fā)現(xiàn)車輛牌照?qǐng)D 像 的灰度取值范圍大多局限在 r=(50,200)之間，而且總體上灰度 偏低，圖象較暗。原圖、灰度圖及其直方圖見(jiàn)圖 2 與圖 3。主要應(yīng)用的為模板匹配方法。其基本工作過(guò)程如下： （ 1）當(dāng)行駛的車輛經(jīng)過(guò)時(shí)，觸發(fā)埋設(shè)在固定位置的傳感器，系統(tǒng)被喚醒處于工作狀態(tài)；一旦連接攝像頭 光快門的光電傳感器被觸發(fā)，設(shè)置在車輛前方、后方和側(cè)面的 相機(jī) 同時(shí)拍攝下車輛圖像； （ 2）由攝像機(jī)或 CCD攝像頭拍攝的含有車輛牌照的圖像通視頻卡輸入計(jì)算機(jī)進(jìn)行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強(qiáng)、濾波和水平 矯正 等； （ 3）由檢索模塊進(jìn)行牌照搜索與檢測(cè)，定位并分割出包含牌照字符號(hào)碼的矩形區(qū)域； （ 4）對(duì)牌照字符進(jìn)行二值化并分割出單個(gè)字符，經(jīng)歸一化后輸入字符識(shí)別系統(tǒng)進(jìn)行識(shí)別。 二 算法分析與設(shè)計(jì) （一）特征分析 中國(guó)汽車牌照中使用的字符集包括 59個(gè)漢字、 25個(gè)大寫英文字母(字母不包含 I)和 10個(gè)阿拉伯?dāng)?shù) (09)，三種類型共 94個(gè)，且都是印刷體，結(jié)構(gòu)固定、筆畫(huà)規(guī)范。 所謂泛魔，即這個(gè)模型把圖像識(shí)別過(guò)程分為不同的層次，每一層次都有承擔(dān)不同職責(zé)的特征分析機(jī)制稱作一種 小魔鬼 ，由于有 許許多多這樣的機(jī)制在起作用，因此叫做“泛魔”識(shí)別模型。同時(shí) ,人能識(shí)別的圖像是大量的，如果所識(shí)別的每一個(gè)圖像在腦中都有一個(gè)相應(yīng)的模板，也是不可能的。為了編制模擬人類圖像識(shí)別活動(dòng)的計(jì)算機(jī)程序，人們提出了不同的圖像識(shí)別模型。圖像技術(shù)的基礎(chǔ)性研究，特別是結(jié)合人工智能與視覺(jué)處理的新算法，從更高水平提取圖像信息的豐富內(nèi)涵，成為人類運(yùn)算量最大、直觀性最強(qiáng)，與現(xiàn)實(shí)世界直接聯(lián)系的視覺(jué)和 “ 形象思維 ” 這一智能的模擬和復(fù)現(xiàn)，是一個(gè)很難而重要的任務(wù)。 【關(guān)鍵詞】 BP 神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別； 字符識(shí)別； 特征提??；車牌；Matlab 一 課題研究背景 （一） 圖像 識(shí)別的提出及應(yīng)用 隨著信息化時(shí)代的不斷發(fā)展，人們?cè)絹?lái)越多地使用信息化的手段來(lái)解決各種問(wèn)題 —— 辦公自動(dòng)化、先進(jìn)制造業(yè)、電子商務(wù) 等利用計(jì)算機(jī)技術(shù)而產(chǎn)生的新興行業(yè)正不斷靠近我們的生活。 基于 MATLAB BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識(shí)別 【摘要】 隨著現(xiàn)代社會(huì)的發(fā)展，信息的形式和數(shù)量正在迅猛增長(zhǎng)。在信息社會(huì)中，我們每天都接觸大量的數(shù)據(jù) —— 工作數(shù)據(jù)、